收购背后的战略意图：从造机器人到建学校

李飞飞创办的空间智能公司 World Labs 近期悄然收购了机器人仿真公司 SceniX。这一动作并非意味着李飞飞要亲自下场制造硬件，而是指向了机器人产业落地的关键基础设施。当前行业普遍认为电机、电池或大模型是瓶颈，但李飞飞指出真正的卡点在于 机器人缺乏足够的“上学”机会。大语言模型通过吞噬互联网上的文本和图片训练而成，而机器人面对的是三维物理世界，互联网上缺乏足够多的物理交互数据供其学习。让机器人在真实世界中通过摔打来积累数据的成本极高、耗时漫长且充满危险，因此构建一个数字化的训练环境成为必然选择。

“真正卡住所有人的，是机器人根本没有足够的上学的机会。”

李飞飞的核心理念是将 AI 从处理文字和图像扩展到 生成、理解、推理并与三维空间互动，即“空间智能”。为了实现这一目标，必须为机器人建造一所学校——一个允许其反复练习、不怕犯错并能大规模加速训练的 数字道场。这次合作不仅是商业收购，更是技术路线的深度融合：World Labs 提供生成模型能力，SceniX 提供仿真与机器人全栈技术，两者结合旨在打通从数字世界到物理世界的迁移路径。

合作渊源与核心能力互补：Marble模型与仿真流水线

World Labs 成立于两年，定位为前沿模型实验室，主攻 空间智能，旨在创造能理解三维世界、生成3D环境并与之互动的 AI。其核心产品是基础模型 Marble，该模型可根据单张或多张图片及文字描述，生成几何结构一致的三维世界（支持高斯泼溅或网格形式）。SceniX 由麻省理工博士、李飞飞的博士后学生 李昀烛 联合创立，其核心业务是构建 “真实到仿真再到真实” 的流水线。该流程将真实环境高保真映射至数字世界，确保物理规则和物体变化与现实一致，从而用低成本、无限生成的仿真数据替代昂贵的真实训练与评估数据。

“SceniX有从硬件到算法的全栈机器人思想领导力和技术实力，这是World Labs之前没有的；而SceniX缺的生成模型和3D重建能力，又恰恰是World Labs的强项。”

两家公司最初并非通过私人关系结合，而是基于业务互补。SceniX 曾是 World Labs 的客户，在试用内部代号 Marble 的第一版生成模型时发现了协同效应。李昀烛表示，原本独立发展的环境建模过程沉重且复杂，而 World Labs 在 稀疏重建和生成 方面的深厚积累能高效解锁环境建模能力。这种结合不仅完善了双方的技术版图，更让 SceniX 看到了合力发展的合理性，从而促成了此次收购。双方旨在通过这种互补性，解决通用机器人开发中训练和评估的巨大瓶颈。

具身智能基础模型：从状态描述到动作输出

World Labs 正在构建面向机器人的 全能基础模型，这与当前的语言模型有本质区别。李飞飞确认公司确实在构建此类基础模型，未来的方向是接受多模态输入并产出 多模态输出 的全能模型。对于机器人而言，基础模型必须包含“动作”这一关键要素，不能仅描述世界状态，还需输出 接下来该如何行动。李昀烛进一步解释，这种模型本质上是多模态的，需综合考虑图像帧、文本和深度信息等多种输入。

“机器人基础模型跟现在的语言模型最大的不同是，它必须包含动作。如果模型输入是图像和动作，输出是对环境变化的预测，这就是个前向模拟器；如果输入是目标，输出是动作，这就是个策略模型。”

这种全能模型对机器人社区具有巨大价值：它既能帮助理解如何建模环境，又能指导如何在环境中行动，还可作为骨干网络供特定应用微调。与当前流行的视频生成模型路线不同，SceniX 坚持走 3D仿真 路径。李昀烛指出视频模型的核心痛点在于“一致性”——空间、时间、视角及物理交互的一致性难以保证。若机器人在仿真中遇到物体消失或穿模等不一致现象，将无法获得正确的反馈信号。因此，他们选择以仿真基础设施为起点，构建能抓住问题本质结构的世界模型。

技术路线之争：为何坚持3D仿真而非视频生成？

针对“是否绕远路”的质疑，李昀烛深入剖析了视频预测模型在机器人训练中的局限性。为了创造能让机器人真正学习的世界，必须确保世界模型的 一致性（Consistency）。这包括空间上的一致性、时间上的连续性、多视角下的一致性以及物理交互逻辑的稳定性。当前许多视频生成模型难以满足这些严苛条件，导致仿真环境与真实物理规律脱节。

“如果一个机器人在数字世界里往前推一个物体，结果那个物体直接在画面里消失了……那机器人从这里面根本得不到正确的信号去判断对错。”

李昀烛并非完全否定视频模型，但他认为仿真基础设施可作为启动 数据飞轮 的初始动力。路径规划是：从仿真驱动的模型开始训练策略，让策略在真实环境中执行并收集新数据，再反哺优化模型。最终形成的混合系统既非纯物理规则驱动，也非纯数据学习，而是介于两者之间——既能抓住本质结构，又能随数据增加而扩展。这种务实路线旨在确保模型在迁移到真实世界时具备足够的鲁棒性，避免因仿真失真导致的训练失败。

务实主义落地：从清洁任务到半结构化环境部署

SceniX 的北极星目标非常务实：让机器人在真实环境中真正工作。李昀烛团队曾通过问卷调研公众对机器人的期望，发现 三分之一 的任务需求集中在清洁领域。人们渴望机器人承担脏活累活，这正是最具商业价值的切入点。李飞飞赞赏该团队不追求发论文，而是深入行业实验室、仓库和电子组装厂寻找真实痛点。这种务实风格体现在对部署环境的清晰认知上：机器人应用遵循从 全结构化（如工厂流水线）到 半结构化（如亚马逊仓库、餐厅），再到 非结构化（家庭环境）的演进规律。

“人形机器人模仿的是人体，而进化把人体优化成了应对非结构化环境的通用体态……但从商业和技术务实的角度看，非结构化环境和通用身体恰恰是最难解决的问题。”

李飞飞指出，虽然人形机器人因模仿人类而具备通用性潜力，但在当前技术阶段，专业化 是更优解。使用针对特定窄问题优化的身体形态，比追求通用人形更具可行性。SceniX 的基础设施设计为 与机器人形态无关，可适配单臂、双臂、固定底座或移动底盘等多种构型。现阶段专注于半结构化环境（如仓库）的大规模部署更为现实，因为这类环境虽存在不可控因素，但仍具备一定的可控性，是验证技术健壮性的理想试验场。

仿真与真实的辩证关系：反事实推理与数据飞轮

关于“仿真能否替代真实世界”的疑问，李昀烛强调两者并不矛盾。仿真的本质是 预测动作带来的环境变化，是对世界的一种模型化表达。在数据飞轮早期，仿真更侧重物理规则以确保一致性和结构正确；随着真实数据的积累，建模将逐渐转向 数据驱动 方向。李飞飞从宏观角度补充道，仿真与真实共同作用，正如人类大脑通过模拟进行 反事实推理（Counterfactual Reasoning），推演未发生或无法发生的场景以指导行动。

“Waymo公开说过，他们用了几十亿小时的仿真数据，实际上比真实路测数据更倚重仿真。”

以自动驾驶为例，Waymo 大量依赖仿真数据。吴恩达曾言“汽车就是最简单的机器人”，仿真的价值体现在两个层面：可靠性 与 效率。在可靠性方面，仿真可系统性随机化光照、摩擦、几何形状等参数，覆盖更广泛的状态空间，从而提升模型健壮性。在效率方面，真实世界的遥操作数据收集速度极慢且受限於硬件数量，而仿真可系统性加速行为训练。这种 可控性 和 可扩展性 是真实环境无法提供的独特优势，也是客户看重的核心价值。

评估与训练的可扩展性：解决迭代速度慢的痛点

在商业应用中，SceniX 主要提供 训练 和 评估 两大服务。其中，“评估”常被忽视却至关重要，它是模型迭代的唯一依据。李昀烛指出，区分一个准确率为 90% 和 92% 的模型在真实环境中需要极长时间，而在仿真中则可快速完成。当前机器人任务的迭代速度比语言模型慢几个数量级，且真实测试昂贵、危险。

“一个模型在仿真里表现更好，它在真实环境里也很可能更好。这就给了客户很强的信心，让他们可以用数字环境的数据和信号来做可扩展、安全、更快的评估。”

SceniX 的数字环境已验证与真实世界具备一致性，仿真中的优异表现高概率映射至现实。在训练方面，仿真的核心优势在于 可控性。开发者可精确控制状态、参数、光照及物理属性，确保对各类场景的充分覆盖。这种确定性使得团队能自信地宣称机器人在特定分布内正常工作，解决了真实环境中遥操作数据收集慢、硬件受限等难题。通过生成式仿真数据替代昂贵的物理数据采集，SceniX 帮助客户实现了更高效、安全的系统迭代。

基础设施定位：与模型和硬件形态无关的数字世界

针对外界对“造机器人”的误解，李昀烛明确界定 World Labs 和 SceniX 的角色：构建 与模型无关、与机器人形态无关 的基础设施及软件。他们不生产硬件，而是提供让机器人在其中学习和评估的 数字世界。这一平台天然兼容各种机器人形态，包括单臂、双臂、固定底座及移动底盘等。

“你们不是在造机器人，而是在构建一个环境。另一家公司可以把他们机器人的大脑放进去导航和学习。”

生成的世界数据可用于从头训练新模型，也可对现有基础模型进行后处理。具体使用何种模型并非 SceniX 的关注点，关键在于提供可靠的基础设施确保机器人在真实环境中工作。目前客户群体多样，涵盖了不同末端执行器和底盘类型。这种中立的基础设施定位使其能服务于广泛的行业伙伴，而非局限于单一硬件解决方案。

整合策略与未来展望：双海岸布局与客户灯塔案例

在收购后的整合上，World Labs 采取 渐进式融合 策略。李飞飞表示不会生硬地合并代码库，而是尊重 SceniX 自洽的技术栈和客户体系。双方已在仿真和基础模型的动作条件化上展开对话，SceniX 作为内部客户使用 Marble。地理布局方面，李昀烛将迁至旧金山，World Labs 成为双海岸公司（纽约设立办公室以吸引东岸人才），并确保两地均有机器人用于远程测试。

“他们现在正合作的客户，其实已经很接近部署阶段了。手头有几十上百个具体任务场景，一旦用机器人方案替代，能立刻创造价值。”

对于两年后的成功图景，李飞飞期望在少数垂直领域拥有经过验证的灯塔客户。SceniX 的流水线设计灵活，部分客户仅需“真实到仿真”的数据数字化评估服务，另一部分则需闭环策略部署。目前合作客户已具备数十至上百个具体任务场景，即将实现价值替代。李飞飞最后邀请业界联系合作，强调 AI 的终极目标是进入物理世界，而 数字道场 是连接数字智能与物理现实的关键基础设施。这条路虽无聊天机器人般的炫目更新，却是机器人真正走进生活的必经之路。